基于改进PSO-BP算法的冷负荷预测模型

针对PSO-BP(Particle Swarm Optimization-Back Propagation)神经网络预测模型在冰蓄冷空调冷负荷预测中存在输入输出数据关联度低和预测模型存在误差的情况,提出了一种基于JMP数据处理软件、PSO-BP神经网络和马尔可夫链的组合预测方法。利用JMP处理输入数据,剔除耦合度低的样本,进行PSO-BP神经网络训练,得到冷负荷预测结果,利用马尔可夫链消除系统产生的随机误差得到最终预测结果。结果表明:该组合预测方法对比传统PSO-BP算法其预测精度更高,预测结果符合商场冷负荷的变化规律,满足实际的应用需求。